2、SLO基础回顾：服务等级目标定义、SLI指标类型（延迟、错误率、吞吐量、饱和度）、SLO燃烧速率
2.1 服务等级目标（SLO）定义
SLO（Service Level Objective）是服务等级协议（SLA）中的核心量化承诺，它基于一个或多个SLI（Service Level Indicator）设定目标阈值。SLO定义了“在特定时间窗口内，服务应达到的可靠性水平”。
SLO的核心公式：
SLO = 良好事件计数 / 总有效事件计数 ≥ 目标百分比SLO关键属性：
- 时间窗口：滚动窗口（如30天、28天）或日历窗口（如月度、季度）。
- 目标阈值：通常表示为“三个9”（99.9%）、“四个9”（99.99%）等。
- 测量粒度：SLI数据采集的最小时间单位（如1分钟、5分钟）。
- 合规条件：窗口内满足目标的时间比例。
💡 关键概念： SLO不是“承诺”，而是“目标”。SLA是法律承诺，SLO是内部工程目标。SLO通常比SLA更严格（例如SLA为99.9%，SLO设为99.95%），为违反SLA预留缓冲。
2.2 SLI指标四大类型
SLI（Service Level Indicator）是衡量服务质量的量化指标。Google SRE经典分类将SLI归纳为四大黄金信号：延迟、错误率、吞吐量、饱和度。每个类型对应不同的采集策略和阈值设定方法。
| SLI类型 | 定义 | 典型测量方式 | 常见SLO目标 | 采集难点 |
|---|---|---|---|---|
| 延迟 | 请求从发出到收到完整响应的时间 | 百分位数（p50, p95, p99） | p99 ≤ 200ms | 长尾分布、客户端与服务端差异 |
| 错误率 | 失败请求占总请求的比例 | HTTP 5xx / 4xx / 超时 / 业务错误码 | 错误率 ≤ 0.1% | 业务错误与基础设施错误区分 |
| 吞吐量 | 单位时间内处理的请求量 | RPS（每秒请求数）、TPS（每秒事务数） | 峰值吞吐量 ≥ 10000 RPS | 突发流量、限流与降级影响 |
| 饱和度 | 资源使用程度，越接近上限越危险 | CPU / 内存 / 磁盘IO / 连接池使用率 | CPU ≤ 80% | 饱和度阈值因系统而异，需动态调整 |
📌 实践建议： 并非所有服务都需要四个SLI。对于关键用户路径，优先选择延迟和错误率；对于数据管道类服务，优先选择吞吐量和饱和度。
2.3 SLI指标类型关系图
下图展示了四大SLI类型之间的关联关系及其对服务健康状态的影响路径：
2.4 SLO燃烧速率
SLO燃烧速率（Burn Rate）衡量SLO消耗的速度。它表示在给定时间窗口内，实际错误率相对于SLO允许的错误率的倍数。燃烧速率是触发自愈剧本的关键信号。
燃烧速率计算公式：
燃烧速率 = 实际错误率 / (1 - SLO目标百分比)
示例：
SLO = 99.9% → 允许错误率 = 0.1%
实际错误率 = 0.5%
燃烧速率 = 0.5% / 0.1% = 5x燃烧速率与SLO消耗时间的关系：
| 燃烧速率 | 含义 | SLO消耗时间（30天窗口） | 典型响应级别 |
|---|---|---|---|
| 1x | 刚好在SLO边界运行 | 30天 | 无需响应 |
| 2x | 错误率是允许值的2倍 | 15天 | 低优先级告警 |
| 5x | 错误率是允许值的5倍 | 6天 | 中优先级告警 |
| 10x | 错误率是允许值的10倍 | 3天 | 高优先级告警 |
| 36x | 错误率是允许值的36倍 | 20小时 | 紧急响应（P0） |
⚠️ 常见误区： 不要只依赖单一燃烧速率阈值。建议使用多窗口燃烧速率检测（如1小时窗口+6小时窗口+24小时窗口），避免短时突发误触发或长时慢速消耗漏报。
2.5 多窗口燃烧速率检测策略
为了平衡检测灵敏度和误报率，SRE实践推荐使用多窗口燃烧速率策略。下图展示了典型的多窗口检测架构：
2.6 SLO与自愈剧本的关联
在自愈剧本设计中，SLO燃烧速率是触发条件，SLI采集链路是数据基础。两者关系如下：
- SLI采集链路：提供实时、准确的SLI数据，是燃烧速率计算的输入。
- 燃烧速率：将SLI数据转化为SLO消耗速度，决定是否触发自愈。
- 自愈剧本：根据燃烧速率级别执行不同恢复动作（如扩容、重启、降级）。